ProM3E：面向生态学的概率掩码多模态嵌入模型

基于摘要分析。ProM3E 研究生态学多模态表示的任意模态到任意模态生成，通过在嵌入空间进行掩码模态重建，根据少量上下文模态推断缺失模态。其主要贡献是将概率建模用于分析下游任务中的模态融合可行性，并据此构建跨模态检索方法；研究对象并非 EEG 或 BCI。 机制上，模型支持嵌入空间中的模态反演，概率建模旨在辅助判断给定任务应融合哪些模态。作者提出混合模态间与模态内相似度的检索方法，并利用模型隐藏表示进行线性探测。作者报告，该方法在所评估的全部检索任务上表现更优，线性探测也显示出较好的表示学习能力；但摘要未提供具体模态、数据集、划分、对照基线或指标数值，尚不能核对优势幅度及适用边界。概率分布形式、训练损失、掩码策略、实验协议、消融及统计信息尚未验证。摘要称代码、数据集和模型将公开，当前开放状态尚未验证。 平台推测（待验证）：若有配对或对齐的 EEG 与其他模态表示，嵌入空间的缺失模态重建可能用于研究多模态 BCI 中的模态缺失问题；概率信息能否帮助选择融合来源仍是假设。可复用部分是掩码重建与相似度融合思路，需改造信号编码器、时间对齐及任务输出。原方法依赖何种配对结构、监督和数据规模尚不明确；EEG 低信噪比、跨被试差异、通道变化及小样本可能使重建表示失真，或使概率信息不能可靠反映融合收益。一个可检验的小实验是在固定被试隔离划分下比较仅 EEG、直接融合与掩码重建后融合，在不同模态缺失率下评估同一任务指标；已有 EEG 相关工作尚未检索确认。